阿姆斯特丹大學醫院使用 SAS® Viya® 上的 SAS® 視覺化資料採礦和機器學習、SAS® 視覺化分析和 SAS® 視覺化統計達成此項成就
阿姆斯特丹大學醫學中心運用分析和人工智慧,來提高腫瘤的評估速度和準確性
人工智慧 (AI) 的應用在腫瘤治療中越來越受到矚目,阿姆斯特丹大學醫學中心率先運用電腦視覺和預測分析,更有效地找出適合進行手術的癌症患者以拯救生命。
阿姆斯特丹大學醫學中心是歐洲最大的腫瘤學術中心之一,致力於讓每位患者的臨床經驗能讓下一位患者受惠,而這需透過收集每位患者的大量資料才能完成,包括了生物標記、DNA 和基因組數據等。
「我們的機會是使用 AI 來協助處理不斷增加的資料量。」阿姆斯特丹大學醫學中心外科教授暨外科腫瘤科主任 Geert Kazemier 博士如此說到。
Kazemier 在尋求強大的分析平台時發現了 SAS,自此展開合作夥伴關係,並進一步運用 AI ,來評估肝臟腫瘤全身性治療前後的狀況。此外,SAS 平台還讓阿姆斯特丹大學醫學中心的數千名癌症研究人員,都能運用頂尖的分析來改善研究並協作。
AI 將幫助我們拯救生命...這點我非常確定。Dr. Geert Kazemier Professor of Surgery and Director of Surgical Oncology Amsterdam UMC
人類在腫瘤評估中的侷限性
結直腸癌是全球第三大常見癌症,大約一半的患者會擴散到肝臟。專精於肝臟手術的 Kazemier 表示,治療這類癌症的最佳方法便是將其切除。但有些腫瘤太大而無法切除,於是這些患者就必須接受全身性的治療,像是化療以縮小腫瘤。
經過一段時間的治療後,一般會使用電腦斷層掃描 (CT) 人工評估腫瘤。屆時醫療人員可看到腫瘤是否有縮小,或外觀是否發生變化。腫瘤對全身性治療的反應,將決定是否能進行挽救生命的手術,又或是需要不同的化療療法。
這種人工方式其實有許多挑戰。
對放射科醫生來說,評估腫瘤是一個耗時的過程。每次 CT 掃描通常只測量兩個最大的腫瘤,如果患者有兩個以上的腫瘤,則其它腫瘤便可能隱藏了重要線索。此外,人工評估容易變得主觀,導致放射科醫生之間在反應評估上的歧見。
Kazemier 表示,另外還缺少了 3D 評估。「腫瘤可能會縮小,但不會對稱。這很難用人眼來量化。」他解釋到。在其他情況下,腫瘤可能會改變外觀,顯示流經轉移瘤的血液較少,而這是全身性治療有效的正面跡象,這也是人類難以察覺的。
還有人為錯誤。很不幸地,由於人類能力的侷限,難免會發生放射錯誤,而誤診可能會讓患者面臨生命危險,例如不必要的手術或化療。
阿姆斯特丹大學醫學中心—相關資料
1,100
名癌症研究人員
1,000+
篇每年發表的科學文章
一
歐洲最大的腫瘤學術中心
AI 能比人類更快速、更準確地檢測腫瘤
阿姆斯特丹大學醫學中心攜手 SAS,運用 AI 來轉換腫瘤評估作業。在 SASVisual Data Mining and Machine Learning 使用電腦視覺技術及深度學習模型,來提高化療反應評估的速度和準確性。資料科學家還利用 SAS Deep Learning With Python (DLPy) API 來建立深度學習模型。而自動圖像分隔等功能則可幫助醫生快速識別腫瘤在形狀和大小上的變化,並注意其顏色。
「我們現在能夠讓評估回饋達到完全自動化,這真的是重大突破,」Kazemier 說到。「相較於由人類執行的流程,這個流程不僅更快速,也更準確。」
此專案先使用 52 名癌症患者的資料來訓練深度學習模型,並將1,380 個瘤症擴散的每個像素進行分析與圖像分割。這教會了系統如何立即識別腫瘤特徵,並將重要資訊分享給醫生。
之前的評估方法限制了醫生所能看見的,但 AI 模型提供了總腫瘤體積及每個腫瘤的 3D 呈現,能讓醫生更準確地判定救命手術是否可行,又或是應該選擇不同的治療策略。
「AI 將幫助我們拯救生命...這點我非常確定。」Kazemier 如是說。
癌症研究人員適用的進階分析
在院區之外,SAS 平台也可供 1,100 多名阿姆斯特丹大學醫學中心的癌症研究人員使用,以協助他們的研究工作。SAS Visual Analytics 能讓他們快速發現隱藏的趨勢,而 SAS Visual Statistics則提供了強大的工具,可執行進階分析和預測建模。
此外,SAS Viya 支援在臨床環境中將原始圖片自動轉換為客觀指標。這種自動化功能可為放射科醫生節省大量時間,同時減少危險的偽陰性和偽陽性的數量。
阿姆斯特丹大學醫學中心藉由在 SAS Viya 上執行這些解決方案,為研究人員提供一個開放式分析平台,以更快進行協作並獲得創新成果。現在,致力於改善患者治療流程的生物學家、醫生、醫學生,甚至是商業分析師,都能受惠於數據分析,無論其資料科學技能或程式語言的偏好為何。
「在使用 SAS 平台的人員中,有不少都未曾受過分析或資料科學的訓練。」Kazemier 說到。「這是我們分析的下一個階段,而我看到了巨大的契機。」
具可解釋性的 AI
對 Kazemier 而言,AI 技術若要徹底改變醫療保健,就必須是透明且開放的。「如果你建立演算法來幫助醫生做決定,那麼它應該要是能夠解釋的,我們要知道這些演算法實際上在做些什麼。」他表示。「請想像一下,如果演算法提出了對患者不利的東西,但醫生卻還依循它,這樣做的後果會怎樣?畢竟會犯錯的不是只有人類。」
在臨床環境中持續部署分析的一個關鍵因素,就是為醫療保健決策管理建立起端到端的稽核及透明流程。SAS 提供各個分析的執行方式摘要,能讓醫生更輕鬆地追蹤其模型和演算法。這種經改善的人機協作增強了 AI 的可信度。正是這種透明度讓 Kazemier 選擇了 SAS。
「我們需要能夠解釋的模型,同時仍維持高水準的學習表現。」他表示。「SAS 是我們找到的最值得信賴的解決方案。」
展望未來,Kazemier 認為 AI 在阿姆斯特丹大學醫學中心能發揮更大的效益。
「未來,我們或許還能夠預測手術結果和患者的整體生存率。」他說。「雖然我們目前為結直腸肝癌患者採用 AI 技術,但 AI 還可能用來評估許多實質固態瘤類型,包括乳癌和肺癌等。我們只觸及了冰山的一角。」